改进蚁群算法的云计算资源调度模型

针对当前云计算系统资源调度算法的资源利用率低、浪费严重等缺陷,提出一种基于改进蚁群算法的云计算资源调度优化模型,以获得更理想的云计算资源调度方案.首先对云计算资源调度的工作原理进行分析,建立云计算资源调度优化目标函数;然后利用蚁群优化算法模拟蚁群找到一条从起点到目的地的路径,即云计算资源调度目标函数的最优解,并结合目标函数对蚁群算法进行相应地改进;最后采用MATLAB2014R编程实现云计算资源调度优化模型.实验结果表明,该模型在短时间内可找到云计算资源调度的最优解,使资源利用率得到了改善.     

云计算资源优化问题求解的萤火虫算法

为了提高云计算资源利用率,结合云计算资源优化问题的特点,设计一种云计算资源优化问题求解的萤火虫算法.首先建立云计算资源负载调度问题的约束条件,以用户任务完成时间最少作为云计算资源负载调度优化的目标函数;然后通过萤火虫算法找到目标函数值最优的资源调度策略;最后在CloudSim平台上实现云计算资源负载调度仿真实验.实验结果表明,萤火虫算法减少了云计算任务完成的时间,均衡了云计算资源的负载,使云计算资源得到合理分配,且比其他算法优势明显.     

基于蚁群算法的云计算资源调度研究

本文针对云计算中资源调度问题进行了研究,提出云计算资源调度的蚁群优化算法,在算法设计中综合考虑了在云计算环境中任务完成时间和计算成本优化问题,建立数学模型,并通过cloudsim平台进行实验仿真测试。验证表明算法模型能使总任务完成时间较短、成本较小,是一种有效的资源调度算法。     

面向云工作流的两阶段资源调度方法

为提高云计算系统的资源利用率,优化系统性能,同时兼顾用户的服务质量(Qo S)需求约束,文中结合云计算和工作流建立了云工作流系统,给出了具有两个调度阶段的系统资源调度模型.在第1阶段中,考虑了Qo S的时间及价格约束、工作流内各个任务之间的依赖关系以及各个任务所产生的中间数据的处理,提出了改进的粒子群优化(MPSO)算法,并利用Pareto获得最优解,以提高调度效率;在第2阶段中,考虑了资源在主机上的分配情况,提出了具有负载感知的调度策略,根据系统的负载情况进行资源调度,以提高系统的资源利用率.实验结果表明:在云工作流系统的资源优化调度中,与经典的异构最早完成时间算法、单目标优化的遗传算法相比,MPSO算法的任务执行速度更快、资源利用率更高,能满足用户的Qo S需求;具有负载感知的调度策略能更有效地根据负载情况进行调度,提高任务执行的效率和资源利用率.     

基于蚁群粒子群优化算法的云计算资源调度方案

通过对蚁群算法和粒子群算法分别进行改进,利用两种算法自身优势相结合的方式建立一种蚁群粒子群算法,以提高云计算资源调度效率,解决云计算中资源调度方案优化问题.实验结果表明,该算法所消耗的时间更少,效果更好.     

一种成本驱动的云计算任务调度策略

为了使得云计算不仅满足调度任务的QoS要求,且尽可能地最大化其服务收益,从云服务提供方的角度出发,提出了一种成本驱动的云计算任务调度策略.提出的方法在满足用户任务QoS约束的前提下,以最大化云环境单位计算开销的服务收益作为其调度目标,在此基础上建立相应的任务调度模型,最后通过遗传算法在多项式时间复杂度内对上述调度目标进行优化求解.在Cloudsim模拟器上完成了一系列仿真测试.结果表明:提出的方法在任务完成时间、调度完成时间超过调度截止时间底线的任务比例,以及云环境单位计算开销的服务收益等指标上均优于传统的Min-min算法和改进的QoS约束的Min-min算法.     

QoS性能约束的云任务调度算法研究

云计算是目前研究的热点,云计算任务调度中为了在保证用户满意的前提下缩短任务完成时间和提高资源负载均衡性,提出了一种具有QoS约束的模拟退火云任务调度算法.首先引入QoS约束的贪心策略产生初始解,以最小任务完成时间和最小负载均衡标准差为目标,实行两阶段退火过程,制定两个具有QoS约束的新解产生函数,始终处于用户满意的前提下寻找最优分配方案.仿真实验结果表明,该算法能够在保证所有用户都满意的情况下降低任务完成时间并提高资源负载均衡性,是一种顾客和云服务提供商都满意的云任务调度算法.     

QoS约束的云工作流调度算法

将云计算和工作流两者结合起来,并根据用户关心的QoS中执行时间和执行费用问题,针对工作流调度策略在云环境下调度实例密集型工作流时效率不高的问题优化资源调度策略,给出云工作流调度模型,提出一种基于QoS约束的云工作流调度算法MSCWQ(modifiedschedulingalgorithmforcloudworkflowbasedonQoS).该算法利用DAG(directedacyclicgraph)进行建模,优化资源策略,保证在最晚结束时间内使整个工作流实例的执行费用尽可能小.实验结果表明,在调度实例密集型云工作流时,该算法能有效提升科学工作流的执行效率,并能减少资源的使用费用.     

基于蚁群优化算法的同构多核任务分配与调度

针对现有流程序自动综合技术中任务分配与调度方法效率低下的问题,提出一种基于改进蚁群算法的多核任务分配与调度算法.基于建立的问题模型,改进了基本蚁群算法中的信息素更新规则和启发式信息的计算方法,并应用多样化机制避免算法早熟收敛.为了提高效率,算法创新地在确定任务分配方案的同时确定调度序列.以标准任务图集为试验对象,验证算法的有效性.试验结果表明:与模拟退火算法相比,使用改进的蚁群算法在优化程序的执行跨度时收敛速度较快,并且在相同的循环次数下,得到的解更接近最优解.     

改进粒子群算法的云计算环境资源优化调度

针对云计算的资源调度问题,提出一种基于改进粒子群优化算法(Improved Particle Swarm Optimization,IPSO)的资源调度算法.对云资源调度问题进行分析,建立云资源调度的目标函数,利用PSO较快的收敛速度找到云资源调度问题的最优解,并根据每个粒子的适应度值自适应地改变每个粒子的速度权重,提高了全局寻优能力和收敛能力,同时在Cloud Sim平台对算法进行仿真实验.结果表明:IPSO算法减少了任务的平均完成时间,提高了任务处理的效率,具有很好的优化资源以及合理调度资源的能力.     

基于云计算的多目标服务调度算法的改进研究

在研究现有云计算服务调度算法的基础上,设计了基于QoS的分布式多目标服务调度算法。该算法兼顾用户需求和系统整体性能,依据完成时间、费用、开销和负载均衡多个参数进行服务调度,从而获得较好的调度质量。仿真实验表明该调度算法能够满足云用户的QoS要求,调节云内各种设备的负载均衡,提高云计算平台运行效率。     

基于遗传-蚁群算法的云计算任务调度优化

为了找到最佳的云计算任务调度方案, 缩短云计算任务完成时间, 通过综合考虑遗传算法和蚁群算法的优势, 提出一种遗传 蚁群算法的云计算任务调度优化算法. 首先采用遗传算法快速搜索到云计算任务调度的可行方案, 然后采用可行方案初始化蚁群算法的信息素分布, 解决初始信息素匮乏的难题, 加快算法收敛速度和搜索能力, 提高云计算任务求解效率. 在CloudSim平台的实验结果表明, 相对于遗传算法, 遗传 蚁群算法更适合于大规模云计算任务问题的求解, 可缩短任务完成时间, 获得更高的用户满意度.     

云计算下均衡负载的差异性资源调度算法优化研究

随着云计算的逐渐发展,云计算下容易出现虚拟机负载不均衡和差异性资源调度时间长的问题,当前调度算法大多无法有效解决均衡负载问题,影响调度性能。为此,提出一种新的云计算下均衡负载的差异性资源调度算法,对云计算下资源调度问题进行描述,针对云计算下虚拟机差异性资源负载问题设定参数。设计蚁群优化算法,蚂蚁爬行的每一步代表指派的一个差异性资源任务,引入挥发因子对信息素更新规则进行改进,获取全局信息素。利用蚁群优化算法对云计算下负载的差异性资源进行均衡调度,给出详细实现过程。实验结果表明,所提算法有较好的收敛性,均衡负载效果好,且时间复杂度低。     

云计算下安全可控的移动弹性资源动态调度算法

当前云计算下移动弹性资源动态调度算法CPU利用率较低,且运行不稳定。为此,提出一种新的云计算下安全可控的移动弹性资源动态调度算法,把云计算下移动弹性资源的CPU平均利用率、内存负载、带宽负载以及可靠性看作移动弹性资源调度目标的约束,给出移动弹性资源的状态模型。依据遗传算法的优点,设计了一种基于蚁群算法的、安全可控的移动弹性资源动态调度算法。依据云计算下移动弹性资源动态调度特点和约束条件,利用适应度指标,对种群中个体的优良度进行描述,给出适应度函数。通过一维字符串完成对解的编码,利用轮盘赌法设置合理的阈值,获取所有染色体中选择性能较好的染色体。通过选择的实数编码完成对字符串的逆向解码,得到云计算下移动弹性资源调度的最优方案。实验结果表明,所提算法稳定性、效率和资源利用率高,迁移率低,负载均衡性好。     

基于任务分类思维的云计算海量资源改进调度

对云计算海量数据下的资源调度的研究过程中,进行资源调度时资源分配无法到达合理化调度,存在资源调度效率低的问题。提出分类思维的云计算海量数据资源优化调度方法。该方法引入膜计算概念,将云计算下的海量资源调度的总任务划分为多个子任务,并详细计算每个子任务的资源调度任务量。将优化调度系统内部分解为主膜和辅助膜,利用蝙蝠算法在辅助膜内进行资源分配个体寻优,并将优化后的资源分配最优个体传送到主膜间进行云计算海量数据下的资源分配优化。实验仿真证明,基于改进膜计算蝙蝠算法的云计算海量数据下的资源优化调度方法调度效率高,分配较为均衡。     

基于包簇映射的云计算资源分配策略

提出了一种基于包簇映射的云计算资源分配策略。在包、簇概念下,资源可共享,任务调度更为灵活,资源利用率更高。将多目标遗传算法与改进的蚂蚁算法动态融合,提出了一种基于成本最优的云计算资源分配算法。该算法在任务前期利用遗传算法快速随机的全局搜索能力,产生初始信息素,在任务后期通过蚂蚁算法蚂蚁间的信息交流和正反馈机制,寻找资源分配的最优解。实验结果表明,在包、簇概念下,该混合式调度算法能够显著降低云计算系统的任务完成时间和任务执行平均成本,有效减少簇结点的使用数量,提高资源利用率。     

面向用户的通用云计算平台负载均衡机制

面向用户的通用云计算平台负载均衡机制在探寻云计算平台的成本和效用的基础上,由用户根据任务粒度从质量、成本定制云及云联盟资源三方面权重。由云均衡构件发出蚂蚁群搜索云内及云间计算资源。蚁群采用优化算法搜索资源并将信息发回蚁巢,并监视各个计算资源动态变化及时均衡负载,以降低云运营商成本和用户费用,提高云及云联盟的成本效用。将该负载均衡机制应用在自主研发的云计算平台上,实验结果验证了该负载均衡机制的可行性和优越性。